[发明专利]一种智能交通监控系统中的车辆类型识别方法

说明书

技术领域

本发明属于智能交通和视频监控技术领域，具体为一种基于单幅车辆图像的车型识别方法，是智能交通监控系统的一个重要组成部分。

背景技术

车型识别是智能交通监控系统中的重要组成部分，有着广泛应用，如车流量统计、智能泊车和车辆类型检测等，因此鲁棒的车型识别方法对于智能交通监控系统具有重要意义。已有的方法一般是利用超声波、磁感应线圈等技术，然而随着成像技术的发展和交通监控摄像机的广泛使用，基于图像的车型识别方法已成为主要的趋势。

目前基于图像的车型识别方法分为两类。第一类方法是基于模型的，即利用一个或多个监控摄像机所拍摄的图像来恢复车辆的三维信息，如长、宽、高等，并使用车辆的形状作为先验信息从而进行车型车别。此类方法存在许多缺陷，首先为了能够恢复车辆的三维信息，整个车身都需要包含在所拍摄的图像当中，然而对于一些大型车辆，例如大货车、大巴等，只有车头区域可以拍摄到；其次，一些基于模型的方法不仅需要车辆正面图像，还需要侧面图像，这在一些监控场景下是无法满足的，并且目前多数场景(如卡口、十字路口等)下监控摄像机所拍摄到的都只有车辆正面图像；此外，复杂的立体视觉算法使得基于模型的方法较为耗时。

受模式识别和机器学习技术的启发，另一种基于图像进行车型识别的方法是：从车辆图像中提取该车辆的视觉特征，并训练一个用于识别各种不同车辆类型的分类器，利用特征和分类器对图像中车辆的类型进行识别。此类方法对光照变化、背景干扰、尺度大小等因素具有一定的鲁棒性，但目前的方法都是利用人工设计的通用视觉特征，对于智能监控场景下的车型识别不具备专用性，而且不能够保证足够的判别力，所以在复杂的场景下可能失效。

目前，为了获得行驶中的车辆以及驾驶员的清晰图像，高清摄像机在智能交通系统中已经得到了广泛的应用。同时，高清摄像机提供的高分辨率图像包含了丰富的细节信息，有利于提取可靠且具有判别力的车型特征，从而提高车型识别的准确率。为此，如何在车辆图像中提取到好的特征并鲁棒地进行车型识别具有重要的理论意义和应用价值。

发明内容

本发明的目的是克服现有车型识别方法所提取的视觉特征不够鲁棒且判别力不足的问题，从而提供一种全新的智能交通监控系统中的车辆类型识别方法。该方法能够针对车型识别任务，自动学习得到鲁棒且具有足够判别力的特征，能在高清摄像机获取的车辆图像中准确地识别车型，为后续的交通监控任务提供有效的基础信息。

本发明的主要内容为：设计一个用于车型识别任务的卷积神经网络，该网络的输入为预处理后的车辆图像，网络的输出为所学得的这个车辆的表观特征。然后训练softmax分类器，它以之前学得的特征为输入，输出该车辆属于不同类别的概率，通过选择最大的概率值来获得该车辆的类别。所设计的卷积神经网络包括两个阶段，每个阶段包含四层：卷积层、绝对值校正层、局部对比度标准化层和池化下采样层。神经网络的这两个阶段可以从预处理后的车辆图像中学习获得鲁棒的车辆表观特征，用于后续的识别操作。

本发明的目的是通过下述技术方案实现的。

一种智能交通监控系统中的车辆类型识别方法，包括训练阶段和测试阶段，实现步骤如下：

一、训练阶段

(1)设计用于车型识别的卷积神经网络，该网络包括两个阶段，每个阶段包含四层：卷积层、绝对值校正层、局部对比度增强层和池化下采样层，确定输入层的大小以及各层的参数；

(2)收集训练样本集，训练样本应至少包含车头信息，各类车辆的图片都应在训练集中有所体现；

(3)对训练样本集中的图像进行预处理，包括转换为灰度图、下采样、亮度标准化、对比度标准化和补零五个步骤；

(4)对预处理后的图像通过卷积神经网络，得到车辆特征；

(5)利用学得的特征训练softmax分类器。

测试阶段：利用训练阶段得到的分类器，得到车辆属于不同类别的概率，通过选择最大的概率值来获得该车辆的类别。

有益效果

本发明与其它基于图像的车型识别方法相比，具有以下几个方面的优势：

(1)对交通场景中的光照变化、背景干扰、恶劣天气、部分遮挡等因素具有较强的鲁棒性，无需额外的后处理过程；

(2)对于固定场景下固定的监控摄像机所拍摄的图像，若每张图像中只包含一辆车，则无需进行车辆检测，可直接通过神经网络学习特征进行分类，可大大节约处理时间；

(3)神经网络可以充分学习到同一类车辆之间的相似性和不同类车辆之间的差异，使得学到的特征更具有判别力，从而提高车型识别的准确率。

附图说明